%EA%B3%B5%EC%8A%B9%ED%98%84
-
악천후에서도 자율주행을 가능하게 하는 세계 최고의 4D 레이더 인공지능 기술 개발
우리 대학 조천식모빌리티대학원 공승현 교수 연구팀이 세계 최초로 악천후 상황에서 안정적인 자율주행을 가능하게 하는 4D 레이더(Radar)의 주변 객체 인지 인공지능 기술을 개발했다고 20일 밝혔다. 연구팀은 구축된 인공지능 학습 데이터셋(Dataset)인 KAIST-레이더(이하 K-레이더)와 개발된 인공지능 신경망(RTN4D) 그리고 전 세계 연구자를 위한 4D 레이더 인공지능 개발 플랫폼(Platform)과 관련 벤치마크(Benchmark)를 모두 공개한다고 밝혔다.
현재 전 세계적으로 개발되고 있는 자율주행 자동차는 주로 카메라와 라이다(LiDAR)에서 출력되는 이미지와 포인트 클라우드(Pointcloud) 데이터를 적절한 인공지능 신경망으로 처리해 자동차 주변의 객체들을 인식하는 방식으로 구현돼 있다. 그러나 카메라와 라이다는 각각 가시광선과 적외선을 사용하므로 눈비 또는 안개 상황에서 측정 성능이 크게 떨어지는데, 이로 인해 주변 객체들에 대한 인식이 어려워져 안전한 자율주행이 불가능하다.
더구나, 차내에 설치할 수 있는 카메라와 달리 자동차의 지붕에 설치하는 라이다는 외부 환경에 노출돼 있어서 그 표면에 눈비 또는 흙먼지가 묻는 경우 라이다를 이용한 전방 탐지가 어려워진다. 공승현 교수는 "젖은 도로에서 전방에 주행 차량이 있는 경우, 그 바퀴에서 일어나는 흙먼지가 섞인 물보라로 라이다 표면이 빠르게 더럽혀지고, 결과적으로 모든 전방 객체에 대한 라이다 측정이 불가능해진다ˮ고 설명한다. {그림 1 참조}
적외선을 사용하는 라이다와는 달리 77기가헤르츠(GHz) 대역의 자동차 레이더는 눈, 비, 안개 등의 악천후 상황에 매우 강건하며 표면에 눈비나 흙먼지가 묻은 상황에서도 안정적인 측정 결과를 보인다. 최근에는 고해상도의 4D 레이더(대상까지의 거리, 방위각, 높이, 도플러 주파수를 측정)가 개발돼 상용화되고 있으며, 그 성능도 빠르게 향상되고 있다.
이에 따라서 전 세계적으로 4D 레이더에 인공지능을 이용한 주변 인지 기술 연구가 시작되고 있지만, 4D 레이더에 필요한 인공지능 연구는 매우 더디게 진행되고 있다. 카메라나 라이다와 달리, 고성능 인공지능 개발에 필수적인 충분한 데이터셋이 구축되지 못하고 있기 때문이다. 2021년부터 4D 레이더의 포인트 클라우드 데이터셋이 일부 공개됐으나, 데이터의 양이 충분하지 않고 측정치가 매우 희소해 신뢰할 만한 객체 인식 인공지능 신경망 개발이 쉽지 않다.
연구팀이 공개하는 K-레이더는 악천후를 포함한 다양한 날씨 및 교통 상황에서 수집된 다양성 높은 데이터셋이며, 정확히 동기된 카메라와 라이다 측정 데이터와 함께 구축된 13테라바이트(TB)에 이르는 대용량으로 세계 최초의 4D 레이더 데이터셋이다. 특히, K-레이더는 포인트 클라우드 형태가 아닌 인공지능 신경망의 성능을 극대화할 수 있는 텐서(Tensor) 형태의 데이터셋으로, 이는 일반적인 레이더의 잡음 제거 방식을 사용하지 않아 잡음 수준의 미약한 미세 측정치를 온전히 담고 있는 형태의 데이터셋이다.
연구팀이 개발한 4D 레이더 인공지능 신경망(RTN4D)은 K-레이더로 수많은 학습을 진행했고, 그 결과 다양한 날씨와 도로 상황에서 70m 이내의 객체에 대해 객체 판별, 위치 추정 및 주행 방향 추정의 3가지 추정을 정확히 수행하는 경우가 최종 62.5%인 세계 최고의 성능을 가진다.
또한, 연구팀은 전 세계의 연구자들이 자체적으로 데이터를 추가 구축하고 신경망 기술을 개발하며 그 성능을 자체 평가할 수 있도록 레이더용 인공지능 신경망 개발 플랫폼과 벤치마크도 공개 제공한다.
조천식모빌리티대학원 공승현 교수는 "눈이나 비가 오는 날씨에서 4D 레이더 인공지능 신경망은 기존 라이다 인공지능 신경망 보다 훨씬 더 안정적인 주변 객체 인지 성능을 갖는데, 이는 4D 레이더가 악천후에서 자율주행을 위한 필수 센서임을 보여주는 결과이며{그림 2 참조}, 최근 미국의 웨이모(Waymo)와 이스라엘의 모빌아이(Mobileye)가 수년 내로 4D 레이더를 자율주행의 주요 인지 센서로 활용할 계획임을 공개적으로 밝힌 이유다ˮ라며 "우리 연구팀이 공개한 K-레이더와 4D 레이더 인공지능 개발 플랫폼 및 벤치마크를 통해, 향후 4D 레이더에 관한 인공지능 연구가 더욱 활발히 진행될 것으로 기대한다ˮ라고 말했다.
K-레이더, 4D 레이더 인공지능 신경망(RTN4D), 4D 레이더 인공지능 개발 플랫폼과 벤치마크는 연구실 홈페이지(http://ave.kaist.ac.kr/)와 깃허브(https://github.com/kaist-avelab/K-Radar)를 통해서 배포될 예정이다. 이번 연구는 한국연구재단(NRF) 및 정보통신기획평가원(IITP)의 지원과 ㈜스마트레이더시스템의 협력으로 수행됐으며, 연구 성과는 백동희 박사과정 학생이 2022년 12월에 열리는 세계적인 인공지능 컨퍼런스인 `뉴립스(NeurIPS) 2022' 데이터셋&벤치마크 트랙(Datasets and Benchmark Track)에서 발표할 예정이다(논문명: K-Radar: 4D Radar Object Detection Dataset and Benchmark for Autonomous Driving in Various Weather Conditions)
2022.10.20 조회수 6176 -
공승현 교수, 30미터 정확도의 스마트폰 위치측정 기술 개발
〈 공승현 교수 연구팀 〉
우리 대학 조천식녹색교통대학원 공승현 교수 연구팀이 LTE 신호만을 이용해 실제 환경에서 평균 30미터 이내의 정확도를 갖는 스마트폰 위치 측정 기술을 개발했다.
김태선 연구원 및 조상재, 김보성, 정승환 석사과정이 참여한 이번 연구를 통해 연구팀은 KT와 협력해 기술 상용화를 추진하고 있다.
최근 전 세계적으로 도심 내에서의 신뢰도 높은 위치 기반 서비스를 제공하기 위한 다양한 기술 개발이 이뤄지고 있다. 그러나 우리나라처럼 기지국과 중계기가 혼재하는 이동통신 환경에서 새로운 장치를 추가하지 않고 이동통신 신호만을 이용하는 제한적인 기술로 넓은 도시 지역에서 높은 정확도와 완성도를 갖는 기술은 아직 보고되지 않고 있다.
일반적으로 GPS 등의 위성항법 시스템은 도심이나 아파트 단지 등 고층 건물이 밀집한 곳에서 극심한 신호의 난반사로 인해 위치 측정 오차가 발생하고 이로 인해 수백 미터 이상의 큰 오차가 발생하기도 한다.
이러한 문제로 최근에는 도심이나 실내에서 와이파이 신호의 RF 핑거프린트를 이용해 스마트폰의 위치를 파악하는 기술이 많이 사용된다. 그러나 이 기술은 여러 대의 와이파이 공유기 신호가 수신되는 특정 공간에서만 높은 신뢰도를 가지고, 공유기가 구축되지 않은 곳에서는 측정할 수 없거나 정확도가 현저하게 떨어진다는 한계가 있다.
연구팀은 스마트폰에서 얻을 수 있는 LTE 기지국 신호에 대한 다양한 측정치를 일정 위치마다 수집해 이를 LTE 핑거프린트(Fingerprint) 데이터베이스로 저장했다. 이후 임의의 사용자 스마트폰에서 측정한 LTE 신호 측정치를 서버로 전달하면 그 측정치를 LTE 핑거프린트 데이터베이스와 비교해 스마트폰의 위치를 파악하는 방식으로, 이는 RF 핑거프린트를 고도화한 기술이다.
연구팀이 개발한 기술의 특징은 LTE 신호를 측정해 얻은 다양한 데이터로부터 각 데이터의 특성에 따라 효과적으로 데이터베이스를 구성하고, 변화가 많은 이동통신 신호 환경에 강인한 최적의 패턴 매칭 기법을 활용하고 있다는 점이다.
연구팀은 개발한 LTE 핑거프린트 기술을 KAIST 교내, 주변 아파트 및 상업 단지를 포함 대전지역과 광화문 일대부터 인사동에 이르는 서울 도심에서 시연해 평균 30미터의 오차를 갖는 성능을 확인했다.
공승현 교수는 “현재 개발된 기술보다 더 높은 정확도를 갖는 LTE 핑거프린트 기술을 개발하는 것도 가능하며 5G에서는 LTE보다 2배 높은 평균 15미터 내외의 측위 정확도를 얻을 수 있다”라며 “머신러닝 기술을 이용해 기지국이나 중계기의 이설과 추가 등으로 LTE 신호 환경이 바뀌었을 때 이를 자동 탐지하고 LTE 핑거프린트 데이터베이스를 신속히 갱신하는 기술을 추가 연구할 계획이다”라고 밝혔다.
현재는 개발된 기술을 이동통신 시스템에 적용하기 위한 단계별 방안을 계획하면서 상용화를 추진 중이다.
□ 그림 설명
그림1. 기지국 LTE 핑거프린트의 실례
2019.04.16 조회수 10102 -
공승현 교수, 실내 극미약 GNSS신호 초고속 감지기술 개발
〈 김태선 연구원, 공승현 교수 〉
우리 대학 조천식녹색교통대학원 공승현 교수 연구팀이 범지구 위성항법 시스템인 GNSS(Global navigation Satellite System)를 실내에서도 사용할 수 있는 극미약 GNSS 신호 초고속 탐지기술을 개발했다.
연구팀의 기술을 활용하면 전 세계 어디서든 실내외 상관없이 GNSS 신호만으로 위치를 파악할 수 있기 때문에 대체기술 혹은 별도 장치가 필요하지 않아 활용도가 높을 것으로 기대된다.
이번 연구 성과는 국제 학술지 ‘IEEE 시그널 프로세싱 매거진(IEEE SPM)’ 9월호에 게재됐다.
대중에 가장 많이 알려진 GPS는 1970년대 美 국방부가 개발한 미국 기반의 위성항법장치이다. 이러한 시스템은 미국 뿐 아니라 러시아의 GLONASS, 유럽의 GALILEO, 중국의 COMPASS 등 여러 가지가 존재하는데 GNSS는 이 모든 기술들을 포함하는 시스템이다.
기존의 GNSS는 2만km 상공에서 지구 전역으로 신호를 방사하기 때문에 지상의 작은 안테나가 수신하는 신호는 매우 미약하다. 특히 건물 벽을 투과해 실내로 침투하는 GNSS는 외부에서 수신하는 신호의 세기보다 1천 배 이상 감소된 극미약 신호가 된다.
이러한 극미약 GNSS 신호를 탐지하기 위해 기존의 주파수 영역 상관기법을 사용하면 계산량이 1백만 배 이상 증가하게 되고 신호탐지를 위한 계산 시간도 폭발적으로 증가한다. 위와 같은 문제로 인해 지난 20여 년 간 GNSS 신호를 이용한 실내 측정 기술은 거의 불가능한 것으로 알려졌다.
연구팀은 문제 해결을 위해 실내 극미약 GNSS 신호의 탐지 시간을 획기적으로 줄일 수 있는 ‘합성기반 주파수 가설 탐지 기술 SDHT(Synthesized Doppler frequency hypothesis Testing)’를 개발했다.
일반적으로 GNSS 신호를 탐지하는 작업은 GNSS 신호의 코드 위상과 도플러 주파수를 정확히 알아내는 과정이다. 그런데 기존 방식의 알고리즘은 도플러 주파수의 가설 수를 2만 개 이상 검증을 해야 한다. 결국 소요 시간이 기하급수적으로 늘어난다.
반면 연구팀이 개발한 알고리즘은 가까운 도플러 주파수 가설에 따라 수행된 위상동기식 상관 결과를 이용해 우회적으로 검증하는 기술이다. 따라서 20여 개의 가설만 기존 방식으로 검증하고, 나머지 19980개의 가설은 단순한 산술연산만으로 검증을 수행하면 모든 작업을 완료할 수 있다.
결과적으로 SDHT는 기존 기술보다 1천 여배 적은 계산량, 800배 빠른 속도로 신호를 탐지할 수 있다. 약 15초의 소요시간으로 많은 건물 내의 극미약 GNSS 신호를 탐지할 수 있는 것이다.
연구팀은 추가 연구를 통해 미약한 GNSS 신호를 탐지하는 기술을 더욱 강화하고 실내 전파 난반사에 강한 위치 측정 기술을 개발하면 거의 모든 건물 내에서 수초 이내에 GNSS만을 이용한 실내 GNSS 단독 측정이 가능할 것으로 예상했다.
공 교수는 “기술 개발을 통해 전 세계적으로 실내 GNSS 측위 기술을 선도하게 됐다”며 “향후 실내 GNSS 시스템을 상용화하고 새로운 시장을 창출할 수 있을 것으로 기대한다”고 말했다.
연구팀은 국내 특허 등록 및 해외 출원 중이며 KAIST 창업원의 지원을 통해 기술사업화를 추진하고 있다.
□ 그림 설명
그림1. SDHT 기술을 이용한 GPS 실내 측위 시스템의 측위 결과
2017.09.28 조회수 13419